Skip to main content

工业

人工智能民主化:不再是大型科技公司的专属

使人工智能民主化

在制造业中,人工智能和计算机视觉已经司空见惯。在制造业中,如果能看到数据,就能利用数据做一些事情。但并不是每个行业都有这种思维模式,或者拥有现场数据科学家。但这不应该成为许多激动人心的全新人工智能用例(从医学到交通再到农业)利用此类工具的阻碍。

我们与人工智能物联网平台的机器学习生命周期管理提供商 Plainsight(前身为 Sixgill)联合创始人兼首席产品官 Elizabeth Spears,以及英特尔物联网事业部工业人工智能和分析总监 Bridget Martin 讨论了人工智能的易使用性和民主化,以及为什么这些因素是让这项关键技术对企业和最终消费者发挥最大作用的关键。

人工智能在制造领域的新应用目前的发展情况如何?

Bridget Martin:有两个不同的视角。我们认为一些制造商更加成熟,已经在车间或者车间的单个流程中采用了自动化计算机。这些流程是自动化的,但也会输出数据,这一点对人工智能至关重要。这些数据可能是传感器的元数据,或者自动化工具正在执行的流程的元数据。

这些制造商希望利用已生成的数据来预测和避免这些自动化工具的计划外停机。对于这些制造商来说,预测性维护类型的应用及其用途有所增加。

但是,世界上还有很多地区仍在采用大量的手动制造应用。在这些不太成熟的市场,制造商希望利用计算机视觉(即部署摄像头)来跳过一些自动化程序,从而改进工厂的整体生产以及小工具在工厂供应链中的工作流程。

您能谈谈利用这项技术的一些新应用吗?

Elizabeth Spears:一个非常强大、逐渐成为可能的东西是超级分辨率。人们正在研究的一项应用是减少 CT 扫描中的辐射。假设在一部有关 FBI 调查的电影中,调查员正在寻找嫌疑人,而且有一张车牌或一个人脸的模糊图像。调查员说:“增强这张图像。”图像突然变清晰,他们就知道罪犯是谁了。这项技术现在已经存在。

另一个例子是在难以获取数据本身的情况下,为了训练的目的而模拟环境。以车祸或枪支检测为例。在这些情况下,您希望模型非常准确,但难以获取用来训练模型的数据。就像有模拟环境的视频游戏一样,您可以通过模拟环境来创建数据。像 Tesla 这样的公司正在利用这项技术来进行车祸检测。

它是跨行业的技术,有很多容易实现的目标,您可以获得立竿见影的效果。我最喜欢的计算机视觉用例是非常实用的。它们的规模可能很小,但能提供极高的价值。

我们参与过的一个用例就是准确地统计牛的数量,为客户节省了数千万美元。

组织如何发现人工智能用例并利用计算机视觉?

Elizabeth Spears:在谈及人工智能时,我们通常认为一个组织必须经历一场巨大的变革才能利用人工智能,而这需要投入大量的时间和金钱。但我们发现,如果在数星期内将解决方案付诸实施,就可以获得立竿见影的效果。此时就已经开始创造价值了。

我们的重点在于通过易使用性来扩展人工智能,人工智能并不是全球五大公司的专属。我们希望通过简化的工具以及简化的最佳实践,使人工智能变得触手可及。如果将一些最佳实践整合到平台中,企业就可以更自信地使用这项技术。我们在与客户的沟通过程中对他们进行了大量的教育,与许多不同的部门进行了沟通。我们沟通的对象不仅限于数据科学家。我们希望充分挖掘客户的需求,然后再讨论如何应用这项技术。

当今机器学习和数据科学人才的聘用非常难。即使有庞大的团队,也要建立一个端到端平台来构建、训练、监控、部署、更新这些模型,并提供保持众多模型的准确度所需的持续训练,而这些工作需要很多不同类型的工程师来完成。

因此,如果没有工具,这将是一项艰巨的任务。我们的端到端平台应运而生,旨在让组织更方便、更轻松地使用人工智能。

人工智能民主化有哪些挑战?英特尔通过哪些措施来解决这些挑战?

Bridget Martin:毫无疑问,复杂性是使用人工智能的最大障碍。正如 Elizabeth 所说,数据科学家寥寥无几,在大多数情况下,聘用他们的成本极其高昂。人工智能民主化的概念,例如使农民能够自行创建人工智能训练管道和模型,并对其进行部署、再训练和更新,这将是这项技术的制胜法宝。

我们的重点在于如何真正将这些工具交到主题专家的手中。它让我们摆脱了旧的循环。以质量检查用例为例,工厂操作员通常会手动检查系统的每个部件。如果自动执行这种类型的场景,工厂操作员通常需要与开发模型的数据科学家持续沟通,使数据科学家能够确保用于训练模型的数据被正确标记。

现在,如果能够免除此流程中的多个步骤,使工厂操作员或主题专家能够自行标记数据,从而自行创建训练流程,会怎么样?让数据科学家之外的其他人员拥有这项能力,这看似一个疯狂的想法,但正是真正实现人工智能民主化所需的手段。

这是因为,将这些工具交到人们的手中,他们就可以想出开创性的方法来应用这些工具,从而制造新的产品,此时人工智能技术才真正得到了普及。到那时,我们将会看到我、Elizabeth 或众多数据科学家以前从未想过的用例。

英特尔在这个领域做了大量的工作,致力于实现人工智能在独特场景中的部署并降低复杂性。例如,我们借助英特尔® 工业边缘洞见平台构建了端到端管道,并为用户构建解决方案提供了蓝图。我们还提供配置部署工具,帮助系统集成商安装技术。例如,如果系统集成商安装摄像头,我们的工具将有助于确定最佳分辨率和亮度。这些因素对人工智能管道和模型的训练和部署效果有很大影响。

组织如何开启这段旅程?

Elizabeth Spears:当今的互联网上有丰富的资源,包括课程和网络研讨会等。Plainsight 网站上有一个学习部分,我们为初学者举办了很多“计算机视觉入门”活动。

同时,我们还为专家举办了活动,他们可以在那里了解如何使用此平台,如何加快流程,如何进行更可靠的部署。我们非常希望与客户成为合作伙伴。因此,我们研究他们在开展哪些工作,然后找到可能适用的其它产品。我们希望将他们的想法变成可以投入生产并对组织切实有效的解决方案。 

英特尔如何通过其生态系统为合作伙伴、最终用户和客户提供支持?

Bridget Martin:我最喜欢的一种方式是与最终客户合作,了解他们想要实现的最终目标,然后反向推导。此外,人工智能的一个强大之处在于,无需停止整个制造流程就可以开始使用人工智能。部署摄像头和照明设备,并将其对准特定工具或流程,这是相对容易的。因此,这是最好的入门方式之一。

当然,对于想要涉足某些领域或者在这些领域遇到痛点的最终客户,我们可以为他们推荐专注于这些领域的各种生态系统合作伙伴和企业。

Plainsight 如何解决可扩展性问题?英特尔在这方面提供哪些帮助?

Elizabeth Spears:可扩展性是我们自始至终关注的问题,因为我们的客户拥有大规模的用例,其中包含大量的数据。但是可以采取另一种解决方法,即在整个组织内部进行扩展,这就需要对更多的员工提供培训。我们会与一家公司的一个特定部门沟通,但有人会说,“另一个部门的一位同事遇到了不同的问题。这种方法有用吗?”

由于我们提供的是软件解决方案,毫无疑问,英特尔硬件是与这些软件解决方案搭配使用的绝佳选择。他们在管理合作伙伴方面的能力也非常强大,将合作伙伴整合在一起,为企业提供强大的解决方案。 

你们认为计算机视觉领域最激动人心的新机遇是什么?

Bridget Martin:我认为一个是可扩展性的概念。这不仅是指扩展到不同的用例,还指扩展到不同的硬件。现实中并不存在只涉及一种计算设备类型的场景。我认为它的影响力非常深远,能够真正帮助未来将利用人工智能的不同行业完成转型。

但真正激动人心的是人工智能的民主化举措,它使没有人工智能或机器学习领域博士学位或接受过此领域专业教育的人能够利用这项技术。

Elizabeth Spears:我同意您的观点。将易于使用的工具交到主题专家和最终用户的手中,使他们可以轻松、快速地实施解决方案,并在此基础上进行扩展。与其说是大规模的人工智能转型,不如说是发现小规模的用例或构建模块,这些用例或构建模块便于您快速上手,并且能够随着时间的推移对企业产生深远的影响。

相关内容

有关人工智能民主化未来的更多信息,请收听“借助 Plainsight 和英特尔实现人工智能民主化”,并阅读“使用无代码平台构建机器学习模型”。如需了解 Plainsight 的最新创新,请在 Twitter (@PlainsightAI) 和 LinkedIn (Plainsight) 上关注他们。

 

本文由 insight.tech 的高级编辑 Christina Cardoza 编辑。

作者简介

Kenton Williston is an Editorial Consultant to insight.tech and previously served as the Editor-in-Chief of the publication as well as the editor of its predecessor publication, the Embedded Innovator magazine. Kenton received his B.S. in Electrical Engineering in 2000 and has been writing about embedded computing and IoT ever since.

Profile Photo of Kenton Williston